ChatGPT席卷全球背后：中美人工智能差距几何
ChatGPT以迅雷不及掩耳之势席卷全球多国同时，在中国也掀起前所未有的舆论热议，同时多家互联网、人工智能及产业链企业均表示将推进类ChatGPT应用和相关AI技术。
然而，国内舆论主要聚焦在ChatGPT使用体验、产业链相关受益方以及对产业变革影响等方面，鲜有探讨其背后折射出的中美人工智能生态竞争差异，中国缘何没有率先创造出ChatGPT，以及应如何利用相关AI技术带来的新机遇赋能国内产业经济发展。
相比之下，主流外媒对这类话题从制度、创新环境和人才竞争等多个层面提供了一些可供参考的分析借鉴。此外，国内行业人士指出，ChatGPT将刺激开启AI经济新时代，推动中国相关数据、算法和算力技术开发建设，对万物互联的数字经济发展意义非凡。
为什么ChatGPT没有出现在中国？
作为科技产业、社会经济发展的一项变革性技术与关键性力量，人工智能未来将深刻影响各国经济、科技和军事等综合实力对比，甚至重塑世界竞争格局。而经过多年行业发展演变，目前全球人工智能发展呈现中美两国引领、主要国家激烈竞逐的总体格局。
对于为何ChatGPT这一现象级消费类AI应用没有率先出现在中国，纽约时报、路透社、南华早报、CNBC等国际主流媒体刊文和一些分析师观点均提及“审查制度”，包括中国正寻求加强与美国AI竞争以及技术监督之间的平衡，但审查管制阻碍了科技产业发展。即使中国开发出ChatGPT相关产品，“过多限制、内容监管也可能会阻碍其商业化和进一步创新。”
另一方面，以往基于政府支持及较宽松的发展环境，中国互联网科技企业曾创造出举世瞩目的成就，但后续也因一定程度的无序扩张等因素引致监管。如今，随着国际地缘和产业发展形势演变，如何权衡互联网及AI等科技领域的监管力度和方式已成为国内重要课题。
“任何重要技术方面的产品发展，其实都离不开制度和整个环境，”斯坦福中国经济与制度研究中心高级研究学者许成钢表示。他以TikTok的中国版抖音为例，称中国企业未来可能无法再实现此类创新。因为开放的环境一旦没有了，重大创新就很难出现。
对于中国未首先打造出ChatGPT类似产品，产经观察家、IT行业分析师丁少将对集微网表示，在当前宏观经济和产业环境下涉及多重原因，包括创新和文化环境、内容监管，行业企业的资本投入、技术实力以及资源整合和商用落地等多方面。另外，“这类产品推出之前还有很多确保内容安全等前置性工作需要去做，这在中国特别重要。”
从产业发展角度来看，这也考验的是国内企业家和投资者的魄力。丁少将指出，“ChatGPT背后AI的数据训练、数据建模和人力投入等成本其实非常高。但基于商业化前景不明朗和自身资源实力等判断，中国公司在这方面投入还有所欠缺，不及微软等巨头公司。”
不过，国外科技媒体Semafor表示，美国进行开放式人工智能研究的传统比中国要长得多，而且并非“只是受利润动机的限制”。OpenAI最初是一家非营利性研究组织，其唯一目的是开发先进的人工智能。从这一角度而言，或许可以引发国内产业界更多思考。
中美AI产业链底层技术尚存差距
正如百度创始人、董事长兼CEO李彦宏1月在百度Create开发者大会上所言，“芯片卡脖子很要紧，但软件卡脖子其实一样要紧”。需要客观承认的是，ChatGPT在全球多国势如破竹同时，也映衬出中国在AI产业链软硬件关键及底层技术存在的部分差距及相关挑战。
众所周知，ChatGPT是一种由OpenAI训练的大型语言模型。在业内人士看来，目前全球还没有能跟ChatGPT抗衡的大模型，业界共识是中美差距在两年以上。“中国必须要有自主基座、应用大模型。由于OpenAI关键模型不开源只给API使用，中国已经是被‘卡脖子’了。”清华大学计算机科学与技术系长聘副教授黄民烈日前对国内媒体表示。
此外，黄民烈还提到，在迭代至GPT-3过程中，OpenAI建立起了真实的用户调用和模型迭代之间的飞轮，以及非常重视真实世界数据的调用和数据对模型的迭代，同时也推动相关生态建立。但业内人士称，目前国内还没有比较好的公司把数据和模型的飞轮完整转起来。
“从已有资料看，ChatGPT、文心一言都使用了包括底层的芯片、深度学习框架、大模型以及最上层的搜索等应用技术。从这四方面，如果说相关技术被‘卡脖子’，芯片可能是一个，既要算得便宜还要算得快，需要至少6纳米芯片，将来还需要更精密的3纳米以下芯片。”中国电信首席专家、美国贝尔实验室院士毕奇日前接受《法制周末》表示。
另据国内外媒体和专家学者均指出，美国的半导体禁令和其他贸易制裁将可能导致中国在最新的人工智能竞赛中处于劣势。由于担心美国进一步制裁，中国大型科技企业已储备足够的先进芯片，但如果无法获得下一代芯片，人工智能技术的进一步发展可能会受到严重阻碍。
与此同时，顶尖AI人才外流也是重要挑战。根据智库MacroPolo的数据，虽然中国总体培养了大约30%的顶尖AI研究人员，但大多数流失到了美国。纽约时报曾刊文《美国人工智能领域的秘密武器：中国人才》指出，在人工智能尖端热门领域，很多来自美国的开创性工作都由华人的智慧推动。这便不难解释美国顶尖AI研究及学术机构、专家学者等不乏华人身影。
AI新技术应用将催化数字经济发展
尽管ChatGPT的大模型产品当前在全球相对领先，但由于中美在AI大数据、算法、大模型发展路径存在一定程度不同，中国在相关技术产品的发展上也有自身特有优势，其中包括中国产业界在ChatGPT等人工智能技术软件层面具有更好的传统开发实力，以及能够让更多大数据应用积极地与人工智能结合，尤其在如今系统芯片呈现算法固化的特点情况下等。
此外，麻省理工科技评论援引华盛顿大学政治学助理教授杰弗里·丁（JeffreyDing）的话进一步表示，中国可以更好获得中文AI训练材料，并且出于商业目的快速开发新的产品。OpenAI、微软主要是针对英语市场进行优化。相对而言，百度等中国公司并非要占领英语市场，会针对中文领域进行专门优化升级。这其中存在一个真实而独特的优势和机会。
毋庸置疑，ChatGPT的大热也将促进国内数据算法迭代升级、智算中心建设乃至整个人工智能产业生态的发展。例如以GPT为代表的大模型正在催化新一轮AI算力储备，国内智算中心项目近期密集公布新进展。目前，全国已有超过30个城市正在建设或提出建设智算中心，可带动人工智能核心产业和相关科技产业实现数倍级增长。
在ChatGPT刺激推动下，创道投资咨询总经理步日欣表示，“AI如果进一步与工业、制造业、交通运输业等传统行业结合，将实质性提高生产力水平，并且有助于缓解即将到来的人口老龄化等社会经济问题，从而体现技术最根本的价值。”另据麦肯锡的报告表示，随着人工智能和机器学习技术渗透到各行各业，其每年可为中国经济带来达6000亿美元GDP。
为了释放这一庞大产业价值，中国需要对数据生态、前沿技术、各类人才和商业模式以及标准和法规进一步投资和完善，并利用相关优势应对挑战和“扬长补短”。如对于高性能芯片受制于人，相关专家表示，解决方法包括自研CPU芯片，采用Chiplet或分布式芯片替代。而弯道超车路径之一是，号召各类拥有数据的机构参与预训练及与芯片计算架构公司等深度合作。
对于如何把握AI新技术为国内产业发展带来的机遇，丁少将建议称，第一，对发展前沿科技而言，构建开放包容的环境至关重要。第二，国家及社会资本应更加活跃，并加大对创新型企业的激励和战略支持。第三，推动AI科技创新和各产业发展相融合，让其成为具有商业潜力和前景的新技术和产业，进而成为各企业新的增长引擎，乃至促进整个国民经济发展。
世界主要国家在人工智能领域的战略布局
总体而言，美国两任总统在人工智能领域的发力点有所不同，但总体来说其焦点在于如何面对人工智能全面发展的大趋势，着眼长期对国家安全与社会稳定的影响与变革。
美国重点布局互联网、芯片与操作系统等计算机软硬件、金融领域、军事以及能源等领域，目的是为保持其全球的技术领先地位。美国在整体的人工智能规划中，力图探讨人工智能驱动的自动化对经济的预期影响，研究人工智能给社会就业带来的机遇和挑战，进而提出相应计划与措施应对相关影响。
此外，美国也是历史上第一个在财政预算中将人工智能，自主和无人系统作为研发优先事项的国家。国防部以及DAPRA等机构密集部署AI研发，“算法战跨职能小组”、“联合人工智能中心”成为了美国开发人工智能军事应用的大前锋，面部识别、无人机扫描、外骨骼装置等可穿戴系统已在国土安全领域展开了实际应用。
二、中国：覆盖广泛的研究和应用领域
中国已经成为全球第二大经济体，但同样不容忽视的是，在人工智能研发和商用人工智能产品方面，中国正在缩小和美国的差距，中国现在已经是全球人工智能“两巨头”之一。主要评价指标包括：中是——全球人工智能研究论文发表和引用世界第一；AI专利中世界第一；AI风险投资中世界第一；AI公司数量世界第二；AI人才世界第二。
当然，这一切都离不开国家政府对人工智能发展的高度重视与战略布局。
2015年5月，中国政府推出《中国制造2025》，明确了9项战略任务与重点，提出8个方面的战略支撑与保障，目标是成为制造强国。
2016年8月，国务院发布《“十三五”国家科技创新规划》，明确人工智能作为发展新一代信息技术的主要方向。
2017年7月，国务院颁布《新一代人工智能发展规划》，该计划是所有国家人工智能战略中最为全面的，包含了研发、工业化、人才发展、教育和职业培训、标准制定和法规、道德规范与安全等各个方面的战略，目标是到2030年使中国人工智能理论、技术与应用总体达到世界领先水平，成为世界主要人工智能创新中心。
有评论指出，2017年7月国务院发布的《新一代人工智能发展计划》，与2015年5月发布的《中国制造2025》一道，形成了中国的AI战略的核心。这两份文件，以及更普遍意义上的人工智能问题，得到了的中国最高领导层的持续关注。中国国家和地方政府用于实施这些计划的人工智能支出总额没有公开披露，但显然有数百亿美元。中国至少有两到三个地方政府各自承诺投资1000亿元人民币（约147亿美元）。
中国的人工智能战略覆盖了广泛的研究和应用领域，力图实现人工智能产业的全面发展。中国聚焦人工智能基础理论和关键技术，同时支持对人工智能交叉学科的研究。在应用领域，中国关注人工智能在农业、金融、制造、交通、医疗、商务、教育、环境等领域的应用。
中国的人工智能公司同样引人关注。例如，商汤毫无疑问是计算机视觉AI领域的全球领导者之一，并声称连续三年实现了400％的年收入增长。大疆（DJI）是另一个例子，它占据了74％的市场份额，在全球消费无人机领域处于领先地位，大疆创新地将机器学习技术融入其最新产品中。
三、欧盟：注重人工智能的基础研究及对人类社会的影响
欧盟在推动人工智能发展中可谓不遗余力。从2014年起，欧盟围绕人工智能的相关政策相继出台。
2014年，欧盟委员会发布了《2014-2020欧洲机器人技术战略》报告以及《地平线2020战略-机器人多年发展战略图》，旨在促进机器人行业和供应链建设，并将先进机器人技术的应用范围拓展到海陆空、农业、健康、救援等诸多领域，以扩大机器人技术对社会和经济的有利影响，提高生产力，减少资源浪费，希望在2020年欧洲能够占到世界机器人技术市场的42%以上，以此保持欧洲在世界的领先地位。
2016年5月，欧盟议会法律事务委员会发布《对欧盟机器人民事法律规则委员会的建议草案》。同年10月，又发布《欧盟机器人民事法律规则》，积极关注人工智能的法律、伦理、责任问题，建议欧盟成立监管机器人个人工智能的专门机构，制定人工智能伦理准则，赋予自助机器人法律地位，明确人工智能知识产权等。欧盟在人工智能伦理与法律的研究上已走在世界前列，成为了当之无愧的排头兵。
2018年4月，欧盟委员会发布政策文件《欧盟人工智能》。该报告提出欧盟将采取三管齐下的方式推动欧洲人工智能的发展：增加财政支持并鼓励公共和私营部门应用人工智能技术；促进教育和培训体系升级，以适应人工智能为就业带来的变化；研究和制定人工智能道德准则，确立适当的道德与法律框架。
2018年12月，欧盟委员会及其成员国发布主题为“人工智能欧洲造”的《人工智能协调计划》。这项计划除了明确人工智能的核心倡议外，还包括具体的项目，涉及开发高效电子系统和电子元器件，人工智能应用的专用设计电脑芯片、世界级电脑以及量子技术和人脑映射领域的核心项目。
欧盟作为拥有欧洲27个成员国的大联盟，在发展人工智能的道路上，积极团结成员国展开讨论。相对于美国和中国主张技术发展的战略而言，欧盟更加注重人工智能对人类社会的影响，其研究内容涉及数据保护、网络安全、人工智能伦理等社会科学方面，目前也投入了大量精力与资金开展数字技术培训和电子政务相关研究。
在应用领域，欧盟十分关注人工智能基础研究，以及人工智能在金融经济、数字社会、教育等领域的应用。总体而言，在技术和产业不占特别优势的情况下，欧盟人工智能战略的重头戏放在了人工智能价值观上，强调人工智能伦理、道德、法律体系研究，积极推进人工智能伦理框架的确立。
1、德国：具有强大的“工业4.0”基础
德国是最先提出“工业4.0”的国家，具有高度的前瞻性。在发展人工智能的道路上，也比较积极。
2011年，德国推出“工业4.0”国家战略，这是一个革命性的基础性的科技战略，拟从最基础的制造层面上进行变革，从而实现整个工业发展质的飞跃。“工业4.0”囊括了人工智能、机器人等领域的诸多相关研究与应用。
2014年，德国发布《新高科技战略》，提出推动协同创新与技术转移，扩大产学研合作，支持中小企业创新等举措，以稳固德国在科技和经济领域的领先地位，并成为创新世界领导者。
2018年7月，德国联邦政府发布《联邦政府人工智能战略要点》文件，要求联邦政府加大对人工智能相关重点领域的研发和创新转化的资助，加强同法国人工智能合作建设、实现互联互通；加强人工智能基础设施建设，以将该国对人工智能的研发和应用提升到全球领先水平。
依托其工业4.0计划，德国将人工智能的重点集中在人机交互、机器人自主学习、可穿戴、大数据分析、计算机视觉、语义技术、高性能技术以及信息物理系统等方面。在应用方面，德国着力发展自动驾驶、智慧城市、农业、医疗、能源等领域。
2、法国：后发动力强劲
法国在人工智能发展大潮流中属于后发的强劲队伍行列。面对美、日、英、中等国家在人工智能领域的持续发力，法国担忧被甩在队伍之后，开始了积极布局，追赶人工智能洪流。
2013年，法国政府推出了《法国机器人发展计划》，旨在创造有利条件，推动机器人产业持续发展，并实现“到2020年成为世界机器人领域前五强”的目标。
2017年3月，奥朗德政府时期，法国制定了《国家人工智能战略》，对发展人工智能的具体政策提出了50多项建议，包括完善科研成果商业化机制，培养领军企业、扶持新兴企业，加大公私合作、寻求大量公私资金资助，给予国家政策倾斜并建立专门执行机构等，以动员全社会力量共同谋划促进人工智能发展，确保法国保持领先地位。
2018年3月，法国总统马克龙公布了《法国人工智能发展战略》，将重点结合医疗、汽车、能源、金融、航天等法国较有优势的行业来研发人工智能技术，并宣布到2020年将投资15亿欧元用于开发人工智能研究，为法国人工智能技术研发创造更好的综合环境。
法国的人工智能发展战略注重抢占核心技术、标准化等制高点，重点发展大数据、超级计算机等技术。在人工智能应用上，关注健康、交通、生态经济、性别平等、电子政府以及医疗护理等领域。法国对人才培养和基础研究方面也非常重视，另外，作为欧盟成员国，法国十分赞同欧盟对人工智能伦理开展研究的做法，也在积极部署开展相关工作，探索解答人工智能带来的伦理性和政治性问题。
3、英国：老牌工业强国底蕴深厚
英国大概是欧洲推动人工智能发展最积极的国家，也一直是人工智能的研究学术重阵。
2016年10月，英国下议院科学和技术委员会发布《机器人技术和人工智能》报告，阐述人工智能的创新发展带来的潜在伦理道德与监管挑战，侧重阐述了英国将会如何规范机器人技术与人工智能系统的发展，以及如何应对其带来的伦理道德、法律及社会问题。
2016年11月，英国政府科学办公室发布了《人工智能：未来决策的机会与影响》报告，阐述了人工智能对个人隐私、就业的影响，并指出人工智能在政府层面大规模使用的潜在可能性，就如何利用英国的独特人工智能优势，增强英国国力提出了建议。
2017年10月，英国政府发布了《在英国发展人工智能》报告，对当前人工智能的应用、市场和政策支持进行了分析，从数据获取、人才培养、研究转化和行业发展四方面提出了促进英国AI产业发展的重要行动建议。该报告被纳入英国政府2017年《政府行业策略指导》白皮书中，成为了英国发展人工智能的重要指引。
2018年4月，英国政府发布了《人工智能行业新政》报告，涉及推动政府和公司研发、STEM教育投资、提升数字基础设施、增加AI人才和领导全球数字道德交流等方面内容，旨在推动英国成为全球AI领导者。
英国作为老牌的工业大国，在工业革命的时候引领全世界发达国家，而在人工智能的问题上，布局颇为深远。英国将大量资金投入人工智能、智能能源技术、机器人技术以及5G网络等领域，更加注重实践与实用，已在海域工程、航天航空、农业、医疗等领域开展了AI技术的广泛应用。同时，英国发展人工智能的另一特点是注重人工智能人才的培养，在这一方面可为出手不凡，斥巨资吸引、培养AI人才。
四、日本：实现人工智能技术与各行业领域的对接
日本政府和企业界非常重视人工智能的发展，不仅将物联网、人工智能和机器人作为第四次产业革命的核心，还在国家层面建立了相对完整的研发促进机制，并将2017年确定为人工智能元年。虽然相对于中美而言，日本在以烧钱著称的人工智能和机器人行业的资金投入并不算高，但其在战略方面的反应并不迟钝。
2015年1月，日本政府公布了《机器人新战略》，拟通过实施五年行动计划和六大重要举措达成三大战略目标：“世界机器人创新基地”、“世界第一的机器人应用国家”、“迈向世界领先的机器人新时代”，使日本实现机器人革命，以应对日益突出的社会问题，提升日本制造业的国际竞争力，获取大数据时代的全球化竞争优势。
2016年，日本提出“社会5.0”战略，将人工智能作为实现超智能社会的核心，并设立“人工智能战略会议”进行国家层面的综合管理。
2017年3月，日本AI技术战略委员会发布《人工智能技术战略》报告，阐述了日本政府为人工智能产业化发展所制定的路线图，包括三个阶段：在各领域发展数据驱动人工智能技术应用（2020年完成一二阶段过渡）；在多领域开发人工智能技术的公共事业（2025-2030年完成二三阶段过渡）；连通各领域建立人工智能生态系统。
日本一直以来都是亚洲制造强国，尤以名列世界前茅的机器人产业而独享美誉。日本已经在机器人、脑信息通信、语音识别、大数据分析等领域投入了大量科研精力。
日本的人工智能战略主张人工智能技术与各领域实现对接，在工业、农业、医药业、物流运输、智能交通等行业落实应用。日本希望通过大力发展人工智能，保持并扩大其在汽车、机器人等领域的技术优势。逐步解决人口老龄化、劳动力短缺、医疗以及养老等社会问题。由此可见，日本的人工智能研发与应用，既保持了日本社会的传统文化特点，也显示了日本政府解决社会问题的决心与方法。
五、韩国：注重对人工智能人才和企业的培育
韩国政府对人工智能发展非常重视，大力扶植人工智能产业及相关企业，重点布局物联网、云端、大数据、语音识别等领域。在人工智能应用方面，韩国关注人工智能技术在金融、医疗、智慧城市、交通等领域的实际应用。但韩国已认清的事实是其在人工智能专业知识储备、人才培养、专利等方面，与其他国家差距较大，因而，政府出台的政策更加注重对人才的培养，注重对人工智能企业的培育，具有很强的针对性。
韩国政府为大力扶植人工智能产业及相关企业，已出台多项政策。
2016年3月，韩国政府宣布人工智能“BRAIN”计划，以破译大脑的功能和机制，开发用于集成脑成像的新技术和工具，并宣布了在人工智能领域投资30亿美元的五年计划。
2016年8月，韩国政府确定九大国家战略项目，包括人工智能、无人驾驶技术、轻型材料、智慧城市、虚拟现实（VR）、精细粉末（FINEDUST）、碳资源、精密医疗和新型配药。其中，人工智能最引人关注，韩国政府目标是在2026年前将人工智能企业数量提升至1000家，并培养3600名专业人才，争取10年后韩国人工智能技术水平赶超发达国家。
2018年5月，韩国政府制定了《人工智能发展战略》，将从人才、技术和基础设施三方面入手，计划在2020年前新设6所人工智能研究生院，推动人工智能技术发展，追赶人工智能世界强国。
六、印度：强调人工智能的实用性
印度在莫迪总理上台后，不断大力推动科技创新与发展，在人工智能领域更是卯足了劲儿，不甘落后掉队。
凭借移动互联网技术与软件技术发展迅速，已经有越来越多的欧美调查报告与战略评估，开始把印度和中国并列，甚至认为未来可能出现中美印人工智能三强争霸的局面。但印度在人工智能国家战略层面显然处于落后位置。
2018年5月，印度政府智库发布《国家人工智能战略》，旨在实现“AIforall”的目标。该战略以“AI卓越研究中心”（CORE）与“国际AI转型中心”（ICTAI）两级综合战略为基础，投资科学研究，鼓励技能培训，加快人工智能在整个产业链中的应用，最终实现将印度打造为人工智能发展模本的宏伟蓝图。
印度将重点放在云计算、5G、机器学习、大数据等技术的发展上。同时，印度强调人工智能的实用性，期望在健康护理、农业、教育、智慧城市和基础建设与智能交通等领域看到人工智能所带来的实际变化。印度在人工智能的发展大潮中，信心不比决心小，力图在印度建立起人工智能生态系统，从而不仅仅要赶上，而是要大步跨越地进入人工智能驱动的未来。
七、俄罗斯：偏向人工智能技术在军事和国防领域的应用
俄罗斯非常重视人工智能发展。上至总统下至业界，正在狂热地推动俄罗斯的学术和工业资源在人工智能领域的突破。2017年，普京总统就曾公开表示“人工智能是人类的未来，而掌握它的国家将统治世界”，足以见人工智能在这位“战斗民族”总统心中的重要性。俄罗斯更偏向于发展和资助人工智能技术在军事与国防领域的应用。
今年早些时候，俄罗斯国防部宣布了一项“机器人技术设计师”竞赛，特别关注大数据技术、机器视觉和机械制造，旨在开发人工智能。国防部成立的先进技术研究基金会（FoundationOfAdvancedStudies）强调发展图像识别、语音识别、自主军事系统控制以及武器生命信息支持等人工智能技术。从举行剑指技术信息发展的讨论会、机器人设计大赛，到呼吁民间专家加入军方研究，俄罗斯正以举国之力筹划人工智能在军事领域的研发。
总体来看，世界各国的整体AI技术水平、数据资源、法律法规都存在很大差异，各自的资源禀赋也不尽相同，因此各国AI政策的关注焦点、预期目标都各具特色。其中，美国、中国拥有最优秀的AI研究人员和海量的数据资源，成为发展人工智能技术的圣地，两国的人工智能政策也较为全面，旨在通过人工智能的发展提升制造、交通、医疗、农业和金融等各领域。欧洲科技强国在AI高端人才、数据资源方面并无优势，反而将研究重心转向了人工智能的伦理道德和标注制定，力争在人工智能发展浪潮中取得一席之地。俄罗斯延续了“战斗民族”的风格，偏向人工智能在军事和国防领域的应用。日本、韩国在机器人、汽车、半导体、消费电子等领域产业优势明显，两国的人工智能战略均强调AI在上述领域的实际应用与产品落地。相较而言，印度在AI技术水平、数据资源和产业资源上都没有优势，该国的AI战略主要强调实用性，目的是通过人工智能的发展驱动基础设施建设、交通、医疗和教育等方面的进步。
八、获取产业主导权，各国战略及政策的主要特点
中国社会科学院工业经济研究所研究员分析指出，人工智能之所以成为世界各国竞争的焦点和产业政策发力的重点，是因为其在经济社会发展全方位都具有巨大价值。一方面，人工智能拥有强大的经济带动性。人工智能是当代通用目的技术，也就是说它是一种能够在国民经济各行业获得广泛应用并持续创新的技术，这意味着经济社会对人工智能的需求十分巨大，人工智能技术能够发展成规模巨大的产业。另一方面，人工智能可对其他产业产生颠覆性影响，加快产业行业的技术创新、商业模式和业态变革，提高生产效率、改善用户体验。
对于这样一种刚进入产业化初期且快速发展的前沿技术，目前没有哪个国家已经具备绝对优势，更没有哪个国家能够像掌控传统产业那样在这一领域形成垄断地位，因此，如果能及早进入这一领域就可能占据一席之地，甚至获取未来产业发展的主导权，反之则很有可能被其他国家甩在后面。
当前世界主要国家的人工智能战略和相关产业政策主要呈现五大特点：
一是大力支持人工智能科技创新。美国在2015年对人工智能相关领域投入的研发资金为11亿美元，后续的人工智能发展政策仍强调对人工智能研究进行长期投资，以保持美国在这一领域的世界领先地位；欧盟委员会计划将“地平线2020”等研究和创新项目中的人工智能投入增加70%，预计在2018年至2020年间达到15亿欧元，并通过公私合作带动额外25亿欧元的投资；法国计划在2022年前投入15亿欧元用于支持人工智能的技术创新和创业。
二是推动数据扩大开放。由于人工智能的发展是由深度学习算法的突破和海量数据形成所推动的，因此数据的开放对于人工智能的发展至关重要。美国《为人工智能的未来做好准备》报告提出，将实施“人工智能公开数据”计划，实现大量政府数据集的公开；《美国人工智能倡议》也提出增强对高质量和完全可追溯的联邦数据、模型和计算资源的访问。
三是加快标准制定。人工智能技术的发展和实际应用需要机器设备、产品、服务、场景之间的连接和数据交换，因此许多国家的人工智能战略强调建立统一的人工智能技术标准与测试基准，以减少人工智能技术开发和应用进程中的障碍。同时，对标准的掌握也意味着掌控了人工智能发展的国际话语权。
四是加强人才培养。人工智能应用的爆发加剧了人才短缺的问题，一些国家把加强国民教育、在职培训和人才引进作为解决人才缺口的重要手段。包括在高等教育阶段开设人工智能课程，加强继续教育和在职训练课程，使在职人员掌握人工智能技能，同时帮助被人工智能所替代岗位的劳动者掌握新技能等。更为长远的是，通过强化科学、技术、工程、数学课程，增加人们对人工智能的学习机会，培养更多适应人工智能发展的人才。
五是完善法律法规。人工智能的发展将对个人隐私、社会伦理、市场竞争、网络安全、产业安全等各方面产生深远影响。不少国家加紧完善人工智能相关法律法规，这既是为了打破既有规则对人工智能科技和产业发展的束缚，又是未雨绸缪，保障个人基本权利，防范因人工智能技术滥用而造成的负面影响。
总而言之，人工智能国际竞争的大幕已经开启，这个“新赛场”的赛况将直接影响未来国际格局演变的进程。为此，我国需从国家战略高度重视人工智能技术及其产业发展，积极借鉴国际经验，在技术创新与研发投入、数据开放、标准制定、人才培养和法律法规制定等方面加以支持和推动，完善产业发展的环境，并以此带动民间投资，更好激发个人和企业的创新创业创造活力。返回搜狐，查看更多
人工智能的历史、现状和未来
2018年2月25日，在平昌冬奥会闭幕式“北京8分钟”表演中，由沈阳新松机器人自动化股份有限公司研发的智能移动机器人与轮滑演员进行表演。新华社记者李钢/摄
2018年5月3日，中国科学院发布国内首款云端人工智能芯片，理论峰值速度达每秒128万亿次定点运算，达到世界先进水平。新华社记者金立旺/摄
2017年10月，在沙特阿拉伯首都利雅得举行的“未来投资倡议”大会上，机器人索菲亚被授予沙特公民身份，她也因此成为全球首个获得公民身份的机器人。图为2018年7月10日，在香港会展中心，机器人索菲亚亮相主舞台。ISAACLAWRENCE/视觉中国
2018年11月22日，在“伟大的变革——庆祝改革开放40周年大型展览”上，第三代国产骨科手术机器人“天玑”正在模拟做手术，它是国际上首个适应症覆盖脊柱全节段和骨盆髋臼手术的骨科机器人，性能指标达到国际领先水平。麦田/视觉中国
如同蒸汽时代的蒸汽机、电气时代的发电机、信息时代的计算机和互联网，人工智能正成为推动人类进入智能时代的决定性力量。全球产业界充分认识到人工智能技术引领新一轮产业变革的重大意义，纷纷转型发展，抢滩布局人工智能创新生态。世界主要发达国家均把发展人工智能作为提升国家竞争力、维护国家安全的重大战略，力图在国际科技竞争中掌握主导权。习近平总书记在十九届中央政治局第九次集体学习时深刻指出，加快发展新一代人工智能是事关我国能否抓住新一轮科技革命和产业变革机遇的战略问题。错失一个机遇，就有可能错过整整一个时代。新一轮科技革命与产业变革已曙光可见，在这场关乎前途命运的大赛场上，我们必须抢抓机遇、奋起直追、力争超越。
概念与历程
了解人工智能向何处去，首先要知道人工智能从何处来。1956年夏，麦卡锡、明斯基等科学家在美国达特茅斯学院开会研讨“如何用机器模拟人的智能”，首次提出“人工智能（ArtificialIntelligence，简称AI）”这一概念，标志着人工智能学科的诞生。
人工智能是研究开发能够模拟、延伸和扩展人类智能的理论、方法、技术及应用系统的一门新的技术科学，研究目的是促使智能机器会听（语音识别、机器翻译等）、会看（图像识别、文字识别等）、会说（语音合成、人机对话等）、会思考（人机对弈、定理证明等）、会学习（机器学习、知识表示等）、会行动（机器人、自动驾驶汽车等）。
人工智能充满未知的探索道路曲折起伏。如何描述人工智能自1956年以来60余年的发展历程，学术界可谓仁者见仁、智者见智。我们将人工智能的发展历程划分为以下6个阶段：
一是起步发展期：1956年—20世纪60年代初。人工智能概念提出后，相继取得了一批令人瞩目的研究成果，如机器定理证明、跳棋程序等，掀起人工智能发展的第一个高潮。
二是反思发展期：20世纪60年代—70年代初。人工智能发展初期的突破性进展大大提升了人们对人工智能的期望，人们开始尝试更具挑战性的任务，并提出了一些不切实际的研发目标。然而，接二连三的失败和预期目标的落空（例如，无法用机器证明两个连续函数之和还是连续函数、机器翻译闹出笑话等），使人工智能的发展走入低谷。
三是应用发展期：20世纪70年代初—80年代中。20世纪70年代出现的专家系统模拟人类专家的知识和经验解决特定领域的问题，实现了人工智能从理论研究走向实际应用、从一般推理策略探讨转向运用专门知识的重大突破。专家系统在医疗、化学、地质等领域取得成功，推动人工智能走入应用发展的新高潮。
四是低迷发展期：20世纪80年代中—90年代中。随着人工智能的应用规模不断扩大，专家系统存在的应用领域狭窄、缺乏常识性知识、知识获取困难、推理方法单一、缺乏分布式功能、难以与现有数据库兼容等问题逐渐暴露出来。
五是稳步发展期：20世纪90年代中—2010年。由于网络技术特别是互联网技术的发展，加速了人工智能的创新研究，促使人工智能技术进一步走向实用化。1997年国际商业机器公司（简称IBM）深蓝超级计算机战胜了国际象棋世界冠军卡斯帕罗夫，2008年IBM提出“智慧地球”的概念。以上都是这一时期的标志性事件。
六是蓬勃发展期：2011年至今。随着大数据、云计算、互联网、物联网等信息技术的发展，泛在感知数据和图形处理器等计算平台推动以深度神经网络为代表的人工智能技术飞速发展，大幅跨越了科学与应用之间的“技术鸿沟”，诸如图像分类、语音识别、知识问答、人机对弈、无人驾驶等人工智能技术实现了从“不能用、不好用”到“可以用”的技术突破，迎来爆发式增长的新高潮。
现状与影响
对于人工智能的发展现状，社会上存在一些“炒作”。比如说，认为人工智能系统的智能水平即将全面超越人类水平、30年内机器人将统治世界、人类将成为人工智能的奴隶，等等。这些有意无意的“炒作”和错误认识会给人工智能的发展带来不利影响。因此，制定人工智能发展的战略、方针和政策，首先要准确把握人工智能技术和产业发展的现状。
专用人工智能取得重要突破。从可应用性看，人工智能大体可分为专用人工智能和通用人工智能。面向特定任务（比如下围棋）的专用人工智能系统由于任务单一、需求明确、应用边界清晰、领域知识丰富、建模相对简单，形成了人工智能领域的单点突破，在局部智能水平的单项测试中可以超越人类智能。人工智能的近期进展主要集中在专用智能领域。例如，阿尔法狗（AlphaGo）在围棋比赛中战胜人类冠军，人工智能程序在大规模图像识别和人脸识别中达到了超越人类的水平，人工智能系统诊断皮肤癌达到专业医生水平。
通用人工智能尚处于起步阶段。人的大脑是一个通用的智能系统，能举一反三、融会贯通，可处理视觉、听觉、判断、推理、学习、思考、规划、设计等各类问题，可谓“一脑万用”。真正意义上完备的人工智能系统应该是一个通用的智能系统。目前，虽然专用人工智能领域已取得突破性进展，但是通用人工智能领域的研究与应用仍然任重而道远，人工智能总体发展水平仍处于起步阶段。当前的人工智能系统在信息感知、机器学习等“浅层智能”方面进步显著，但是在概念抽象和推理决策等“深层智能”方面的能力还很薄弱。总体上看，目前的人工智能系统可谓有智能没智慧、有智商没情商、会计算不会“算计”、有专才而无通才。因此，人工智能依旧存在明显的局限性，依然还有很多“不能”，与人类智慧还相差甚远。
人工智能创新创业如火如荼。全球产业界充分认识到人工智能技术引领新一轮产业变革的重大意义，纷纷调整发展战略。比如，谷歌在其2017年年度开发者大会上明确提出发展战略从“移动优先”转向“人工智能优先”，微软2017财年年报首次将人工智能作为公司发展愿景。人工智能领域处于创新创业的前沿。麦肯锡公司报告指出，2016年全球人工智能研发投入超300亿美元并处于高速增长阶段；全球知名风投调研机构CBInsights报告显示，2017年全球新成立人工智能创业公司1100家，人工智能领域共获得投资152亿美元，同比增长141%。
创新生态布局成为人工智能产业发展的战略高地。信息技术和产业的发展史，就是新老信息产业巨头抢滩布局信息产业创新生态的更替史。例如，传统信息产业代表企业有微软、英特尔、IBM、甲骨文等，互联网和移动互联网时代信息产业代表企业有谷歌、苹果、脸书、亚马逊、阿里巴巴、腾讯、百度等。人工智能创新生态包括纵向的数据平台、开源算法、计算芯片、基础软件、图形处理器等技术生态系统和横向的智能制造、智能医疗、智能安防、智能零售、智能家居等商业和应用生态系统。目前智能科技时代的信息产业格局还没有形成垄断，因此全球科技产业巨头都在积极推动人工智能技术生态的研发布局，全力抢占人工智能相关产业的制高点。
人工智能的社会影响日益凸显。一方面，人工智能作为新一轮科技革命和产业变革的核心力量，正在推动传统产业升级换代，驱动“无人经济”快速发展，在智能交通、智能家居、智能医疗等民生领域产生积极正面影响。另一方面，个人信息和隐私保护、人工智能创作内容的知识产权、人工智能系统可能存在的歧视和偏见、无人驾驶系统的交通法规、脑机接口和人机共生的科技伦理等问题已经显现出来，需要抓紧提供解决方案。
趋势与展望
经过60多年的发展，人工智能在算法、算力（计算能力）和算料（数据）等“三算”方面取得了重要突破，正处于从“不能用”到“可以用”的技术拐点，但是距离“很好用”还有诸多瓶颈。那么在可以预见的未来，人工智能发展将会出现怎样的趋势与特征呢？
从专用智能向通用智能发展。如何实现从专用人工智能向通用人工智能的跨越式发展，既是下一代人工智能发展的必然趋势，也是研究与应用领域的重大挑战。2016年10月，美国国家科学技术委员会发布《国家人工智能研究与发展战略计划》，提出在美国的人工智能中长期发展策略中要着重研究通用人工智能。阿尔法狗系统开发团队创始人戴密斯·哈萨比斯提出朝着“创造解决世界上一切问题的通用人工智能”这一目标前进。微软在2017年成立了通用人工智能实验室，众多感知、学习、推理、自然语言理解等方面的科学家参与其中。
从人工智能向人机混合智能发展。借鉴脑科学和认知科学的研究成果是人工智能的一个重要研究方向。人机混合智能旨在将人的作用或认知模型引入到人工智能系统中，提升人工智能系统的性能，使人工智能成为人类智能的自然延伸和拓展，通过人机协同更加高效地解决复杂问题。在我国新一代人工智能规划和美国脑计划中，人机混合智能都是重要的研发方向。
从“人工+智能”向自主智能系统发展。当前人工智能领域的大量研究集中在深度学习，但是深度学习的局限是需要大量人工干预，比如人工设计深度神经网络模型、人工设定应用场景、人工采集和标注大量训练数据、用户需要人工适配智能系统等，非常费时费力。因此，科研人员开始关注减少人工干预的自主智能方法，提高机器智能对环境的自主学习能力。例如阿尔法狗系统的后续版本阿尔法元从零开始，通过自我对弈强化学习实现围棋、国际象棋、日本将棋的“通用棋类人工智能”。在人工智能系统的自动化设计方面，2017年谷歌提出的自动化学习系统（AutoML）试图通过自动创建机器学习系统降低人员成本。
人工智能将加速与其他学科领域交叉渗透。人工智能本身是一门综合性的前沿学科和高度交叉的复合型学科，研究范畴广泛而又异常复杂，其发展需要与计算机科学、数学、认知科学、神经科学和社会科学等学科深度融合。随着超分辨率光学成像、光遗传学调控、透明脑、体细胞克隆等技术的突破，脑与认知科学的发展开启了新时代，能够大规模、更精细解析智力的神经环路基础和机制，人工智能将进入生物启发的智能阶段，依赖于生物学、脑科学、生命科学和心理学等学科的发现，将机理变为可计算的模型，同时人工智能也会促进脑科学、认知科学、生命科学甚至化学、物理、天文学等传统科学的发展。
人工智能产业将蓬勃发展。随着人工智能技术的进一步成熟以及政府和产业界投入的日益增长，人工智能应用的云端化将不断加速，全球人工智能产业规模在未来10年将进入高速增长期。例如，2016年9月，咨询公司埃森哲发布报告指出，人工智能技术的应用将为经济发展注入新动力，可在现有基础上将劳动生产率提高40%；到2035年，美、日、英、德、法等12个发达国家的年均经济增长率可以翻一番。2018年麦肯锡公司的研究报告预测，到2030年，约70%的公司将采用至少一种形式的人工智能，人工智能新增经济规模将达到13万亿美元。
人工智能将推动人类进入普惠型智能社会。“人工智能+X”的创新模式将随着技术和产业的发展日趋成熟，对生产力和产业结构产生革命性影响，并推动人类进入普惠型智能社会。2017年国际数据公司IDC在《信息流引领人工智能新时代》白皮书中指出，未来5年人工智能将提升各行业运转效率。我国经济社会转型升级对人工智能有重大需求，在消费场景和行业应用的需求牵引下，需要打破人工智能的感知瓶颈、交互瓶颈和决策瓶颈，促进人工智能技术与社会各行各业的融合提升，建设若干标杆性的应用场景创新，实现低成本、高效益、广范围的普惠型智能社会。
人工智能领域的国际竞争将日益激烈。当前，人工智能领域的国际竞赛已经拉开帷幕，并且将日趋白热化。2018年4月，欧盟委员会计划2018—2020年在人工智能领域投资240亿美元；法国总统在2018年5月宣布《法国人工智能战略》，目的是迎接人工智能发展的新时代，使法国成为人工智能强国；2018年6月，日本《未来投资战略2018》重点推动物联网建设和人工智能的应用。世界军事强国也已逐步形成以加速发展智能化武器装备为核心的竞争态势，例如美国特朗普政府发布的首份《国防战略》报告即谋求通过人工智能等技术创新保持军事优势，确保美国打赢未来战争；俄罗斯2017年提出军工拥抱“智能化”，让导弹和无人机这样的“传统”兵器威力倍增。
人工智能的社会学将提上议程。为了确保人工智能的健康可持续发展，使其发展成果造福于民，需要从社会学的角度系统全面地研究人工智能对人类社会的影响，制定完善人工智能法律法规，规避可能的风险。2017年9月，联合国犯罪和司法研究所（UNICRI）决定在海牙成立第一个联合国人工智能和机器人中心，规范人工智能的发展。美国白宫多次组织人工智能领域法律法规问题的研讨会、咨询会。特斯拉等产业巨头牵头成立OpenAI等机构，旨在“以有利于整个人类的方式促进和发展友好的人工智能”。
态势与思考
当前，我国人工智能发展的总体态势良好。但是我们也要清醒看到，我国人工智能发展存在过热和泡沫化风险，特别在基础研究、技术体系、应用生态、创新人才、法律规范等方面仍然存在不少值得重视的问题。总体而言，我国人工智能发展现状可以用“高度重视，态势喜人，差距不小，前景看好”来概括。
高度重视。党中央、国务院高度重视并大力支持发展人工智能。习近平总书记在党的十九大、2018年两院院士大会、全国网络安全和信息化工作会议、十九届中央政治局第九次集体学习等场合多次强调要加快推进新一代人工智能的发展。2017年7月，国务院发布《新一代人工智能发展规划》，将新一代人工智能放在国家战略层面进行部署，描绘了面向2030年的我国人工智能发展路线图，旨在构筑人工智能先发优势，把握新一轮科技革命战略主动。国家发改委、工信部、科技部、教育部等国家部委和北京、上海、广东、江苏、浙江等地方政府都推出了发展人工智能的鼓励政策。
态势喜人。据清华大学发布的《中国人工智能发展报告2018》统计，我国已成为全球人工智能投融资规模最大的国家，我国人工智能企业在人脸识别、语音识别、安防监控、智能音箱、智能家居等人工智能应用领域处于国际前列。根据2017年爱思唯尔文献数据库统计结果，我国在人工智能领域发表的论文数量已居世界第一。近两年，中国科学院大学、清华大学、北京大学等高校纷纷成立人工智能学院，2015年开始的中国人工智能大会已连续成功召开四届并且规模不断扩大。总体来说，我国人工智能领域的创新创业、教育科研活动非常活跃。
差距不小。目前我国在人工智能前沿理论创新方面总体上尚处于“跟跑”地位，大部分创新偏重于技术应用，在基础研究、原创成果、顶尖人才、技术生态、基础平台、标准规范等方面距离世界领先水平还存在明显差距。在全球人工智能人才700强中，中国虽然入选人数名列第二，但远远低于约占总量一半的美国。2018年市场研究顾问公司CompassIntelligence对全球100多家人工智能计算芯片企业进行了排名，我国没有一家企业进入前十。另外，我国人工智能开源社区和技术生态布局相对滞后，技术平台建设力度有待加强，国际影响力有待提高。我国参与制定人工智能国际标准的积极性和力度不够，国内标准制定和实施也较为滞后。我国对人工智能可能产生的社会影响还缺少深度分析，制定完善人工智能相关法律法规的进程需要加快。
前景看好。我国发展人工智能具有市场规模、应用场景、数据资源、人力资源、智能手机普及、资金投入、国家政策支持等多方面的综合优势，人工智能发展前景看好。全球顶尖管理咨询公司埃森哲于2017年发布的《人工智能：助力中国经济增长》报告显示，到2035年人工智能有望推动中国劳动生产率提高27%。我国发布的《新一代人工智能发展规划》提出，到2030年人工智能核心产业规模超过1万亿元，带动相关产业规模超过10万亿元。在我国未来的发展征程中，“智能红利”将有望弥补人口红利的不足。
当前是我国加强人工智能布局、收获人工智能红利、引领智能时代的重大历史机遇期，如何在人工智能蓬勃发展的浪潮中选择好中国路径、抢抓中国机遇、展现中国智慧等，需要深入思考。
树立理性务实的发展理念。任何事物的发展不可能一直处于高位，有高潮必有低谷，这是客观规律。实现机器在任意现实环境的自主智能和通用智能，仍然需要中长期理论和技术积累，并且人工智能对工业、交通、医疗等传统领域的渗透和融合是个长期过程，很难一蹴而就。因此，发展人工智能要充分考虑到人工智能技术的局限性，充分认识到人工智能重塑传统产业的长期性和艰巨性，理性分析人工智能发展需求，理性设定人工智能发展目标，理性选择人工智能发展路径，务实推进人工智能发展举措，只有这样才能确保人工智能健康可持续发展。
重视固本强基的原创研究。人工智能前沿基础理论是人工智能技术突破、行业革新、产业化推进的基石。面临发展的临界点，要想取得最终的话语权，必须在人工智能基础理论和前沿技术方面取得重大突破。我们要按照习近平总书记提出的支持科学家勇闯人工智能科技前沿“无人区”的要求，努力在人工智能发展方向和理论、方法、工具、系统等方面取得变革性、颠覆性突破，形成具有国际影响力的人工智能原创理论体系，为构建我国自主可控的人工智能技术创新生态提供领先跨越的理论支撑。
构建自主可控的创新生态。我国人工智能开源社区和技术创新生态布局相对滞后，技术平台建设力度有待加强。我们要以问题为导向，主攻关键核心技术，加快建立新一代人工智能关键共性技术体系，全面增强人工智能科技创新能力，确保人工智能关键核心技术牢牢掌握在自己手里。要着力防范人工智能时代“空心化”风险，系统布局并重点发展人工智能领域的“新核高基”：“新”指新型开放创新生态，如产学研融合等；“核”指核心关键技术与器件，如先进机器学习技术、鲁棒模式识别技术、低功耗智能计算芯片等；“高”指高端综合应用系统与平台，如机器学习软硬件平台、大型数据平台等；“基”指具有重大原创意义和技术带动性的基础理论与方法，如脑机接口、类脑智能等。同时，我们要重视人工智能技术标准的建设、产品性能与系统安全的测试。特别是我国在人工智能技术应用方面走在世界前列，在人工智能国际标准制定方面应当掌握话语权，并通过实施标准加速人工智能驱动经济社会转型升级的进程。
推动共担共享的全球治理。目前看，发达国家通过人工智能技术创新掌控了产业链上游资源，难以逾越的技术鸿沟和产业壁垒有可能进一步拉大发达国家和发展中国家的生产力发展水平差距。在发展中国家中，我国有望成为全球人工智能竞争中的领跑者，应布局构建开放共享、质优价廉、普惠全球的人工智能技术和应用平台，配合“一带一路”建设，让“智能红利”助推共建人类命运共同体。
作者：中央人民政府驻香港特别行政区联络办公室副主任、中国科学院院士
生物医药：我国医疗人工智能发展现状和趋势
1.人工智能（AI）诞生
希腊神话和中国神话中都出现过机械人和人造人。SamuelButler的《机器中的达尔文》（DarwinamongtheMachines）一文（1863）探讨了机器通过自然选择进化出智能的可能性。至今人工智能仍然是科幻小说的重要元素。许多文明的历史都记载了创造自动人偶的杰出工匠，例如，偃师（中国西周）、希罗（希腊）等。已知最古老的“机器人”是古埃及和古希腊的圣像，信徒认为工匠给这些神像赋予思想，使它们具有智慧。
人工智能的基本假设是人类的思考过程可以机械化。哲学家拉蒙·柳利（1232～1315年）开发了一些“逻辑机”，试图通过逻辑方法获取知识。17世纪中期，莱布尼兹、托马斯·霍布斯和笛卡儿尝试将理性的思考系统化为代数学或几何学那样的体系。20世纪，数理逻辑研究上的突破使得人工智能呼之欲出。这方面的基础著作包括布尔的《思维的定律》与弗雷格的《概念文字》。邱奇-图灵论题暗示，一台仅能处理0和1这样简单二元符号的机械设备能够模拟任意数学推理过程。这里最关键的灵感是图灵机，其看似简单的理论构造抓住了抽象符号处理的本质。这一创造促使科学家们探讨让机器思考的可能。
第一批现代计算机是“二战”期间建造的大型译码机，包括Z3、ENIAC和Colossus等。后两个机器的理论基础是图灵和约翰·冯·诺伊曼提出和发展的学说。在20世纪40年代和50年代，一批来自不同领域（数学、心理学、工程学、经济学和政治学）的科学家开始探讨制造人工大脑的可能性。1956年，人工智能被确立为一门学科。最初的人工智能研究是20世纪30年代末到50年代初的一系列科学进展交会的产物。神经学研究发现大脑是由神经元组成的电子网络，其激励电平只存在“有”和“无”两种状态，不存在中间状态。控制论描述了电子网络的控制和稳定性。
信息论则描述了数字信号（高低电平代表的二进制信号）。图灵的计算理论证明数字信号足以描述任何形式的计算过程。这些密切相关的想法暗示了构建电子大脑的可能性。马文·明斯基1951年建造了第一台神经网络机——SNARC。在接下来的50年中，明斯基是AI领域最重要的领导者和创新者之一。1950年，图灵发表了一篇划时代的论文，预言了创造具有真正智能的机器的可能性。他提出了著名的图灵测试，图灵测试是人工智能在哲学方面第一个严肃的提案。1956年达特矛斯会议的组织者是马文·明斯基、约翰·麦卡锡和另外两位资深科学家克劳德·香农、内森·罗彻斯特（NathanRochester）。与会者接受“人工智能”一词作为本领域的名称。1956年达特矛斯会议上AI的名称和任务得以确定，这一事件被认为是AI诞生的标志。
2.AI研究高潮和低谷交替出现
第一次高潮（1956～1974年）。达特茅斯会议之后AI进入大发展的时代。20世纪50年代后期到60年代涌现了大批成功的AI程序和新的研究方向。AI研究的一个重要目标是使计算机能够通过自然语言（例如英语）进行交流。早期的一个成功范例是DanielBobrow的程序STUDENT，它能够解决高中水平的代数应用题。ELIZA是第一个聊天机器人，与ELIZA“聊天”的用户有时会误以为自己是在和人类而不是一个程序交谈。实际上ELIZA根本不知道自己在说什么，它只是按固定套路作答，或者用符合语法的方式将问题复述一遍。维诺格拉德（T.Winograd）设计的SHRDLU系统能用普通的英语句子与人交流，还能做出决策并执行操作。麻省理工学院（MIT）、卡内基-梅隆大学、斯坦福大学、爱丁堡大学这四个研究机构一直是AI学术界的研究中心。
第一次低谷（1974～1980年）。20世纪70年代初，AI遭遇瓶颈。即使是最杰出的AI程序也只能解决它们尝试解决的问题中最简单的部分，所有AI程序都只是“玩具”。AI研究者们遭遇了无法克服的基础性障碍。当时面临的具体问题包括：计算机的运算能力，当时的计算机有限的内存和处理速度不足以解决实际的AI问题；计算复杂性，除了那些最简单的情况，许多问题的解决需要近乎无限长的时间，这就意味着AI中的许多程序永远也不会发展成为实用的系统；
常识与推理，许多重要的AI应用，例如，机器视觉和自然语言，需要大量对世界的认识信息，当时没人能够提供如此巨大的数据库，也没人知道一个程序怎样才能学到如此丰富的信息。
第二次高潮（1980～1987年）。20世纪80年代，一类名为“专家系统”的AI程序开始为全世界的公司采纳，而“知识处理”成为主流AI研究的焦点。专家系统是一种程序，能够依据一组从专门知识中推演出的逻辑规则在某一特定领域回答或解决问题。专家系统仅限于一个很小的知识领域，从而避免了常识问题，其简单的设计又使它能够较为容易地实现编程或修改。实践证明了这类程序的实用性。直到此时AI才开始变得实用起来。专家系统的能力来自其存储的专业知识。这是20世纪70年代以后AI研究的一个新方向。1981年日本政府支持第五代计算机项目，其目标是造出能够与人对话、翻译语言、解释图像，并且像人一样推理的机器。1982年，物理学家JohnHopfield证明一种新型的神经网络（现被称为“Hopfield网络”）能够用一种全新的方式学习和处理信息。同时DavidRumelhart推广了反向传播算法，一种神经网络训练方法。1986年由Rumelhart和心理学家JamesMcClelland主编的两卷本论文集《分布式并行处理》问世，这一新领域从此得到了发展。20世纪90年代神经网络获得了商业上的成功，它们被应用于光字符识别和语音识别软件。
第二次低谷（1987～1993年）。20世纪80年代对AI的追捧与冷落符合经济泡沫的经典模式。AI发展低谷最早的征兆是1987年AI硬件市场需求的突然下跌。Apple和IBM生产的台式机性能不断提升，到1987年其性能已经超过了其他厂家生产的昂贵的Lisp机，老产品失去了存在的理由。最初大获成功的专家系统维护费用居高不下，它们难以升级、不易使用、脆弱（当输入异常时会出现莫名其妙的错误），其实用性仅仅局限于某些特定情景。到1991年，日本政府支持的“第五代工程”并没有实现预定目标，事实上其中一些目标，比如“与人展开交谈”，直到2010年也没有实现。
AI发展新阶段（1993年至今）。“实现人类水平的智能”这一最初的梦想曾在20世纪60年代令全世界为之着迷。
现已年过半百的AI终于在几个子领域实现了最初的一些目标，今天AI被成功地应用在技术产业中。1997年5月11日，“深蓝”战胜国际象棋世界冠军卡斯帕罗夫，成为打败人类的第一个计算机系统。2005年，斯坦福大学开发的一台机器人在一条沙漠小径上成功地自动行驶了131英里，赢得了DARPA挑战大赛头奖。2011年，IBMWaston参加《危险边缘》节目，在最后一集打败了人类选手。2016年3月，AlphaGo击败李世石；2017年5月，AlphaGo在中国乌镇围棋峰会的三局比赛中击败当时世界排名第一的中国棋手柯洁。越来越多的AI研究者开始开发和使用复杂的数学工具。人们认识到，许多AI领域要解决的问题已经成为数学、经济学和运筹学领域的研究课题。数学不仅使AI可以与其他学科展开更高层次的合作，而且使研究结果更易于评估和证明。AI已成为一门非常严格的科学分支，现已投入应用的新工具包括贝叶斯网络、隐马尔可夫模型、信息论、随机模型和经典优化理论。针对神经网络和进化算法等“计算智能”范式的精确数学描述也被发展出来。AI研究者们开发的算法开始变为核心业务系统的一部分。已经应用AI技术的领域有数据挖掘、工业机器人、物流、无人驾驶、语音识别、银行业软件、医疗诊断和Google搜索引擎等。进入21世纪，得益于大数据和计算机技术的快速发展，许多先进的机器学习技术被成功应用于经济社会的更多领域，例如，生态学模型训练、经济领域中的应用、医学研究中的疾病预测及新药研发等。深度学习（特别是深度卷积神经网络和循环网络）极大地推动了图像和视频处理、文本分析、语音识别等问题的研究进程。深度学习是机器学习的分支，它通过一个具有很多层处理单元的深层网络对数据中的高级抽象进行建模。根据全局逼近原理，对于神经网络而言，要拟合任意连续函数，深度性并不是必需的，即便是一个单层的网络，只要拥有足够多的非线性激活单元，也可以达到拟合目的。目前深度神经网络得到了更多关注，主要源于其层次结构能够对更加复杂的情况快速建模，同时避免浅层网络可能遭遇的缺点。深度学习（以循环神经网络为例）最常见的问题是梯度消失（在沿着时间序列反向传播过程中，梯度逐渐减小到零附近，造成学习停滞）。为了解决这些问题，很多有针对性的模型被提出来，例如，LSTM（长短期记忆网络）、GRU（门控循环神经单元）等。现在，最先进的神经网络结构在某些领域已经能够达到甚至超过人类平均准确率，例如，在计算机视觉领域，特别是一些具体的任务上，如MNIST数据集（一个手写数字识别数据集）、交通信号灯识别等。
3.医学与人工智能
纵观AI的历史，集医学、脑科学、认知学、心理学和生理学等为一体的综合科学对AI的产生和发展起着重要的作用。
AI从产生的第一天起，就与医学结下了不解之缘。早在12世纪末，西班牙神学家和逻辑学家RomenLuee就试图制造一台能像人一样解决各种问题的通用逻辑机。19世纪末，西班牙解剖学家Cajal和Golig创立了神经元学说，指出人脑中存在着由大量神经细胞构成的神经网络。在AI发展的进程中，20世纪60年代后期出现的以模拟人类医学专家思维过程为特点的专家系统。70年代初，斯坦福大学的传染病学家研制的用于诊断和治疗感染性疾病的MYCIN系统是世界上第一个将Al应用于医学领域的专家系统。美国医学界对它评价很高，曾两次对该系统进行严格“考试”，其成绩都在医学专家之上。MYCIN系统的问世是专家系统走向成熟的重要里程碑，也是AI理论应用于医学领域的重要里程碑。在MYCIN系统的影响下，20世纪70年代后期到80年代中期，出现了一系列新的医学专家系统。最著名的医学专家系统有三个：一是由罗格斯大学研制的用于治疗青光眼的CASNET系统；二是由匹兹堡大学研制的用于诊治内科疾病的INTERNIST系统，该系统包含3000多种疾病症状，能诊治500多种内科疾病，美国国家卫生学院曾对该系统进行严格临床试验，证明它能够应对美国临床病理学会提出的大多数病例；三是由斯坦福大学根据MYCIN系统开发的诊治肺功能失调的PuFF系统，美国医学界曾对该系统进行150个病例的测试，结果90%符合呼吸科专家的意见。我国类似研究起步较晚，我国专家吸取了MYCIN系统的优点，相继研制了不少医学专家系统，尤其是肝病诊治系统等一批中医专家系统，具有很高的学术水平和实用价值。我国的中医专家系统在国际上一直处于领先地位。
在神经生理和神经解剖学研究成果的基础上，Hopfield网络模型问世，AI研究者开始研究以人脑连接机制为特点的人工神经网络（ANN）。ANN是AI的一个新领域，具有以下特点：一是并行性好；二是自学习自适应性强；三是联想性好，人的思想很易“由此及彼”，ANN能从不完全知识中通过“联想”推出正确解；四是容错性高，ANN的信息分布储存在整个网络的连接点上，它像人的大脑一样，某些神经元出现故障不会影响整个网络正常工作。ANN的研究始于20世纪40年代的神经元模型。据统计，目前世界上著名的ANN模型已有50多种，其中有相当数量应用于生命科学中。面对大脑的强大功能和复杂结构，怎样使AI研究取得实质性的突破，这是当今医学向AI提出的挑战。生命科学家的新发现将不断向AI提出新课题；反过来AI在医学中应用的深入和发展，也向生命科学家提出更高要求，生命在运动，大脑还在进化，许多新问题有待生命科学家去探索。要彻底揭开大脑智能之谜，单靠任何一方面都是不可能完成的。我们相信，生命科学的深入发展必将对AI产生深远影响；反之，AI的！
智能应用于医疗领域已经成为现代科技热点。基于大量数据的人工智能算法为医疗服务提供了快捷、优化的途径，人工智能在医疗领域的应用带来的不仅有技术革新，还有医疗服务模式的转变。美国的顶尖医院如梅奥、克里夫兰等都开始与人工智能公司合作，希望成为医疗人工智能应用领域的中心，对疾病进行监测、诊断、治疗和管理。人工智能可以在医疗行业多个环节发挥作用，如医学影像、健康管理、疾病风险预测、虚拟助理、药物设计、临床诊疗、精神疾病、病理学和营养学等。目前医疗活动中比较成功的AI应用包括影像AI、药物研发AI、医疗机器人和IBMWaston等。AI在医学影像中取得了较好的应用成效，如基于钼靶影像的乳腺病变检测、基于皮肤照片的皮肤癌分类诊断、基于数字病理切片的乳腺癌淋巴结转移检测、基于眼底照片的糖尿病视网膜病变检测、基于胸部X线片的肺部炎性疾病。借助深度学习，药物研发AI在心血管药、抗肿瘤药和常见传染病治疗药等领域取得新突破，缩短了药物研发时间、提高了研发效率且控制了研发成本。医疗机器人中的达·芬奇机器人早已在各大医院推广应用，其他类型的机器人也随着AI的发展逐步进入医疗市场。在智能诊疗领域，IBMWaston展示了AI诊断和治疗人类疾病的可行性。
健康医疗大数据是在人们对自身进行日常健康管理的过程中产生和形成的。智能可穿戴设备和家庭智能健康检测监测设备的研发和应用，实现了动态监测个人健康数据，利用这些数据进行人工智能计算，可以对个人健康进行精准把握，规范、准确地预测疾病风险，管理个人健康。人工智能可以在血糖管理、血压管理、用药提醒、健康要素监测等方面给予精准的指导，为患者提供高质量、智能化、日常化的医疗护理和健康指导，为人群提供全方位、全周期的健康服务。这种方式对于提高患者的依从性、提高慢病管理效率、节约医疗成本具有重要的社会意义。2008年，谷歌推出流感预测服务，通过检测用户在谷歌上的搜索内容有效地追踪流感爆发的迹象。人工智能定时收集样本并据以找出疾病的高风险人群。利用大数据分析和深度学习技术，人工智能已经能够预测阿尔兹海默病、心血管疾病、癌症、精神疾病等。这些预测能够用于有效防控公共疫情和提高个人健康水平。
目前，我国科学研究者也积极参与到医疗AI产品的研发中，包括病理辅助诊断、眼部疾病、皮肤疾病、医学影像、中医药、心电监测、手术机器人、肿瘤治疗等领域。AI在医疗领域中的应用主要有三个角度。①AI比医生做得更好，可以用来提高诊断的准确度和治疗的效果。有些信息在诊断图像和其他数据中隐藏得比较深，或者隐藏在高维空间中，医生的肉眼无法辨别，而AI可以精确找到。②AI不比医生做得更好，但是比医生做得更快，可以用来提高效率。③AI不比资深医生做得更好，但可以通过学习资深医生、大医院的经验，来帮助年资低的医生和基层医疗机构的医生提出更准确的诊断和治疗方案。未来，人工智能将成为建立新型医疗服务体系的重要支撑，结合信息化的发展全面构建优质高效的新型医疗服务体系。
二、我国医疗人工智能发展现状分析
1.政策现状
国际上主要发达国家和地区近年来积极制定人工智能战略规划，医疗人工智能是主要研究和应用领域之一。
同发达国家一样，我国近两年高度重视人工智能在医学中的应用，在不同等级的政策文件中都提出了医疗人工智能研究的重点方向。
主要国家和地区在医疗领域应用人工智能的重点略有差异。美国近年医疗人工智能规划重点在可穿戴设备、记忆辅助系统、医疗诊断等方面，欧盟更加关注各种机器人的研发和精准医疗，英国的重点研究领域包括病情诊断支持、影像诊断支持、潜在流行病的早期发现和发病率追踪等，日本则更加关注实用化机器人技术、手术机器人、医疗辅助系统等。我国近年的医疗人工智能政策重点包括可穿戴设备在健康管理中的应用、医用机器人、智能影像识别、智能诊疗、智能康复等。
2015年以来，我国出台的涉及医疗人工智能的主要政策文件有《国务院关于积极推进“互联网+”行动的指导意见》（2015年7月）、《中华人民共和国国民经济和社会发展第十三个五年规划纲要》（2016年3月16日）、《国务院办公厅关于促进和规范健康医疗大数据应用发展的指导意见》（2016年6月）。
此外，《“十三五”国家科技创新规划》（2016年7月）《智能硬件产业创新发展专项行动（2016～2018年）》《“十三五”国家战略性新兴产业发展规划》《“互联网+”人工智能三年行动实施方案》等相关文件，都有关于人工智能在医疗健康领域应用的内容。
2017年，“人工智能”首次被写入我国的政府工作报告，并上升为国家重要战略，而人工智能在医疗健康领域的应用也是国家关注的重点。同年7月，国务院发布《国务院关于印发新一代人工智能发展规划的通知》，各省份相继出台当地人工智能发展规划，掀起了人工智能研究和应用的热潮。12月14日，工业和信息化部发布《促进新一代人工智能产业发展三年行动计划（2018～2020年）》，具体落实规划内容。
2018年4月，《国务院办公厅关于促进“互联网+医疗健康”发展的意见》等文件的发布推动医疗人工智能研究和应用进入高潮。全国各省份积极响应国家政策号召，发布了多项与医疗人工智能应用相关的政策文件，截至2018年10月，各省份医疗人工智能政策发布数量达到峰值。通过各地区政策发布数量可以看出，华东和华北地区医疗人工智能发展较快。华东地区以长三角为依托，以江苏、上海和浙江为代表，该地区经济发展实力强大，技术创新资源雄厚，为医疗人工智能的发展提供了有利条件。华北地区以京津冀为依托，这里是我国人才最为密集的区域，拥有众多科研机构、科研院校和创新创业园区，会集了大量高科技人才。京津冀地区利用其独有的知识资源优势，带动人工智能在医疗健康产业中的发展。
2.临床应用研究现状
面对医疗市场迫切的需求，在技术和政策的推动下，目前，中国医疗人工智能产业进入高速发展时期。
根据相关机构的研究报告，近两年，我国“人工智能+医疗”市场规模快速增长，获得投融资的医疗人工智能创业企业数量和资金量上升。然而，我国医疗机构应用人工智能技术的态度和现状如何，尚缺乏数据。
本书以国家卫健委网站公布的二级以上医疗机构目录为依据，通过抽样调查（共发放问卷300份，最终收回有效问卷213份）发现：①我国各级医疗机构对于人工智能的应用表现出积极的态度，并对利用人工智能提升诊疗水平寄予厚望，但在医疗人工智能实质性投入方面，大部分仍呈观望态势；②医疗人工智能技术应用水平呈现明显的区域差异，表现为我国三级医院人工智能技术应用程度远高于二级医院，人工智能应用和建设程度呈现区域阶梯状，即东部＞中部＞西部，基层医院和偏远地区医疗机构在医疗人工智能应用方面尚处于落后状态；③在已有的临床应用研究中，自然语言处理技术应用程度最高，结构化数据补充成为其主要用途，影像辅助诊断技术中CT、肿瘤应用范围最广，技术成熟度最好，辅助诊断方向是医院最为关注的应用领域；④由于在标准制定、产品落地等方面存在短板以及复合型人才短缺，医院的人工智能应用和建设主要采用“拿来主义”模式，希望用产品购买的方式直接获得医疗人工智能应用的成熟产品。
在儿科人工智能应用方面，通过对北京、上海、广州等20个城市的52家儿童专科医院的调查和部分访谈，发现在儿科领域人工智能应用范围相对较窄，主要集中在医学影像和疾病诊断预测方面。专注儿科人工智能的公司数量也非常有限，产品多数还处在学习优化、更新迭代的层面，与真正应用落地仍有一定差距。人工智能产品在儿科落地的最大阻碍是医院对产品的期待与人工智能公司对市场的估计存在断层，加强临床参与才能为医疗人工智能落地提供助力。
通过对皮科大夫的调查发现，我国不同性别、学历、职称、医疗机构的皮肤科医生对于人工智能均表现出极高的关注度，绝大部分皮肤科医生认为人工智能的功能为“辅助皮肤科医生日常诊疗活动”，皮肤科医生更希望将人工智能应用于皮肤肿瘤的诊断与治疗中。近年来我国皮肤科领域相继成立了多个人工智能组织，也已出现多款人工智能产品，未来需要将更多资源融入其中，包括政府部门关注、主管部门经费投入、专家团队建立、企业资源汇聚等，才能进一步推动我国皮肤科人工智能的快速发展和应用。
3.学科发展和技术现状
近年来，我国医疗人工智能领域科研经费投入持续增长。在科技产出方面，近10年我国医疗人工智能领域中文科技论文发文量逐年快速增长，说明医疗人工智能是我国学者重点关注的研究领域。通过医疗人工智能领域中文科技论文的学科分布情况可以看出，我国医疗人工智能领域中文科技论文涉及的主要学科包括生物医学工程、自动化技术、临床医学、肿瘤学和计算机软件及计算机应用等。人工智能在医学中的主要应用领域包括肿瘤、神经性疾病、心血管疾病、精神疾病、内分泌腺及全身性疾病、感染性疾病及传染病等方面。
我国医疗人工智能领域外文科技论文产出在2008～2016年呈现线性增长趋势，截至2017年，我国医疗人工智能领域外文科技论文产出累计达到34655篇。发文量排名前5的机构为中国科学院、上海交通大学、浙江大学、清华大学和香港中文大学。医疗人工智能领域外文科技论文涉及的学科主要为计算机科学、数学计算生物学、工程、数学、放射学、核医学等，其中在计算机科学领域发表的科技论文数量最多，为32359篇，放射学、核医学等医学图像处理领域的发文量为18480篇。此外，医疗人工智能科技文献也出现在生物化学、分子生物学、细胞生物学、遗传学、肿瘤等医学学科中。
近10年来，医疗人工智能领域的专利申请和专利公开都呈现逐年增长的趋势，2017年的专利数量和申请人数都有较大幅度增长，能够确定当前该技术领域正处于技术成长期阶段。其中，广东、江苏、北京、上海和浙江的医疗人工智能相关专利申请量都在200项以上，说明这五个省市是医疗人工智能领域技术研发的核心区域，专利活动活跃，其中广东省的专利申请量更高达453项，居全国首位。
利用大为Innojoy专利搜索引擎自带的聚类分析功能，通过设置相关参数及定义停用词过滤标准，绘制医疗人工智能领域技术研发的科学知识图谱，可以发现，目前医疗人工智能的技术研发热点及人工智能在医学领域的应用方向主要包括脑电信号的处理与分析、心电信号的处理与分析、肌电信号的处理与分析、康复训练、医疗机器人、疾病诊断、病人监测和药物控制等。
4.产业现状
向300多家医疗人工智能企业发出调查问卷，回收有效调查问卷45份。调查发现，超过75%的企业处于融资的不同阶段，只有25%的企业不需要融资，因此资本是现阶段行业发展的重要推动力。调查中，2018年有12家企业累计融资金额1亿～10亿元，而2016年基本融资金额最多只达到千万元级，可以看出资本持续看好医疗人工智能行业的发展，整体投资处在加速阶段。
目前医疗人工智能应用按场景可分为医学影像、辅助诊疗、虚拟助理、健康管理、智慧医院等。在医学影像场景，根据临床数据采集内容的不同，可细分为CT、视网膜眼底图、X射线、病理、超声、内窥镜、皮肤影像等应用。辅助诊疗基于医院电子病历等系统，通过对患者信息的推理，自动生成针对患者的精细化诊治建议，供医生决策参考。虚拟助理是指通过语音识别、自然语言处理等技术，将患者的病症描述与标准的医学指南做对比，为用户提供医疗咨询、自诊、导诊等服务的信息系统。人工智能在健康管理中的应用包括：通过对日常健康行为的监测管理实现健康监控并提前进行疾病预测；使用电子通信软件和人工智能技术监测慢病患者日常生活习惯，智能给出用药指南，提醒患者服药；监控智能检测设备数据，对数据进行评估，及早发现异常并发出预警。智慧医院基于医院信息系统、临床数据中心和集成平台，结合人工智能、云计算、医疗大数据、物联网、移动互联网等技术，优化患者就医流程，节省患者时间和医疗资源，持续改善患者就医感受。
人工智能在我国医疗领域的应用刚刚起步，成长过程中遇到了来自各个层面的问题。当前阻碍医疗人工智能发展的因素中企业选择最多的五个因素是：缺少医疗人工智能复合型人才、医学数据标注及共享困难、缺少多病种病症的国家标准数据库进行模型验证、商业模式及各方权责不明确、缺少合作的医疗机构。超过50%的企业表示其产品已经在全国数十家甚至上百家医疗机构进行临床研究，由于产品认证的问题，大部分应用都是服务科研，即使应用于临床也只是给医生诊断提供参考。
5.社会认知和伦理现状
采用问卷调查法，随机调查了224个城市的2500位不同年龄、职业人群，了解我国民众对医疗人工智能的认知现状。目前，民众对人工智能在医疗领域的影响力感受度偏低，但对医疗人工智能持支持态度的占比达到78.44%，整体抱有相当大的期待。民众认为人工智能在医疗领域应用的最大优点是提高诊断效率，但对智能仪器应变能力也存在担心。医学影像是民众最能接受的人工智能医疗应用领域。大多数人认为医疗人工智能未来的发展趋势是医疗人工智能与传统模式相结合。随着医疗人工智能的发展，相信并使用医疗人工智能将逐渐成为主流，AI时代的到来是无法阻止的，也是势在必行的。医疗人工智能发展前景广阔，同时拥有很大的空间，需要相关领域研究人员继续挖掘潜力。
我国尚未出台医疗人工智能应用的伦理性的相关文件。根据关于我国居民对人工智能的伦理认知的调查，当医生和人工智能的诊疗意见不一致时，更多人选择相信医生。民众“最担心的伦理问题”包括：没有充分的知情告知，个人隐私数据泄漏”“因无须人体试验，单纯从药物大数据中即可研发出新的药物，从而涉及禁忌药物的研发”“算法运作的不可知导致数据读取过程中运算结果的出乎预料或者出错”等。超过半数的人认为现阶段不可以赋予人工智能医生法律主体资格，并认为当人工智能技术造成医疗损害时，应厘清医生与设计者、制造者、人工智能等各方的责任，让相关责任方承担应尽的责任。人工智能带来医疗水平的提高和人类健康保障的进步，随之而来的一系列伦理风险不容忽视。医学界需要前瞻性地评估医疗人工智能的利弊和风险，加强对其的掌控能力，趋利避害，进一步促进医疗保健事业的发展。
三、医疗人工智能发展中面临的问题和挑战
1.政策与监管的挑战
2017年7月，国务院发布《国务院关于印发新一代人工智能发展规划的通知》，人工智能上升为国家战略，国家对医疗人工智能的发展提出了更高要求，医疗人工智能进入全新的高速发展轨道。国家的医疗人工智能发展要求包括提出医学大数据、医学信息化、智能医学等多个方面的具体应用需求，对医疗人工智能基础研究的政策支持，以及对大健康、老龄化等方面的医疗人工智能应用的大力支持。
基于以上纲领性文件，针对医疗人工智能的发展提出具体落实行动，将成为相关部门政策制定的重点，预计将发布一大批具体的推进方略，下大力气促进医疗人工智能领域的发展与提升。2018年以来，围绕医疗人工智能发展的重点政策领域包括：满足民营医院的设备需求，鼓励各级医院采购国产高端医疗设备；着力构建大数据云端医疗数据库，推动医学大数据的开发与落地，大力加强医疗信息化基础建设；鼓励民间资本投资远程医疗和第三方检验中心，全面推进分级诊疗的落地；大力发展网络医学影像平台、高端影像设备、第三方影像中心、大力推进影像信息化等。
2.技术和人才的挑战
据相关研究，医疗人工智能处在人工智能热潮的中心地位，有非常快的发展速度。医疗人工智能的技术和人才水平高，有可能尽快实现产业化，相关原因包括：第一，医疗人工智能研究机构与国内的各大医院合作开展了科学研究、临床实验、产业转化等工作；第二，医疗人工智能的研究机构众多，包括科研单位、高校、大企业、创业企业等，造就了一大批奋战在一线的医疗人工智能科研机构；第三，医疗人工智能有较好的投资盈利预期，得到资本方面的追捧；第四，医疗人工智能是人工智能应用的热门领域，在多种维度的医学图像识别领域，拥有丰富的技术和设备等资源。医疗人工智能的快速发展来自迅速增长的医学大数据规模、快速提高的GPU速度和医疗人工智能理论基础的飞跃，决定于医疗人工智能的算法、算力、数据等关键技术因素。
第一，高性能、低功耗的人工智能芯片的发展。各家医疗人工智能的研究机构都在绞尽脑汁开发高性能、低功耗的人工智能芯片。医疗人工智能芯片的优劣主要决定于计算能力和能耗比例。现在市场上的主要医疗人工智能芯片巨头制造商包括英特尔、英伟达（NVIDIA）、华为海思、寒武纪、百度企业、苹果、谷歌等，竞争非常激烈。
第二，深度学习软件和平台大大加速了医疗人工智能应用的开发。人工智能包括但不限于卷积神经网络、循环神经网络等，其核心思想是神经网络的理论和实践。与影像组学不同，医学深度学习通过自动得到各个层次的特征量，以自动的方式生成规模特别巨大的特征量，实现了在人工智能方面的巨大飞跃。
近年来，深度学习神经网络在医学影像识别领域已经取得长足的进步，卷积神经网络的识别错误率已经降至非常低的水平，甚至低于人眼识别的错误率。深度学习通过反向传播、权值共享、感受野等策略，最终大大超过人眼的性能。
同时，医疗人工智能通过基础平台等方式提供给医生使用，复杂的医疗人工智能理论被打包成界面友好的产品和服务，促进了卷积神经网络的理论和工程技术体系的成熟。大量的医疗人工智能软件大大减少了医生们使用卷积神经网络的困难，业界企业也大量开展医疗人工智能的研发和产品开发，极大降低卷积神经网络算法开发的难度，专注于临床应用领域的软件和平台的研发。深度卷积神经网络非常适用于医疗人工智能的临床场景。通过卷积神经网络方法，深度学习就能从医学影像中找出许多非常繁杂且不可能详尽描述的医学影像特征。在医疗人工智能的快速发展之中，基于医疗人工智能最新进展的医学影像的判定和识别，可能会在分级诊疗、妇幼保健、远程医疗、互联网医疗等领域大规模应用示范，并形成产业化条件。
我国医疗人工智能应用的最热门领域是医学影像，数据取决于医学设备的人工智能应用程度，其核心是芯片技术。
当前人工智能芯片的技术路径主要有三种类型。
一是美国谷歌等企业布局的基于专用处理器ASIC架构的人工智能芯片。美国谷歌是张量处理器（TPU）的发明者。TPU广泛应用于美国谷歌的产品之中，包括AlphaGo、AlphaZero等明星人工智能应用。美国谷歌已经推出第二代TPU，为该企业的人工智能战略打下坚实的基础。
二是美国英伟达等企业布局的基于GPU架构的人工智能芯片。美国英伟达等企业是主要的GPU生产商之一，已经推出了多款世界上最强大的具有优良的人工智能算法处理性能的GPU显示卡。美国英伟达总裁黄仁勋先生在2018年度GPU技术大会上表示，与老款的GPU显示卡相比，该企业最新款GPU已经获得数倍性能提升。
三是美国英特尔等企业布局的基于CPU架构的人工智能芯片。美国英特尔为了进军人工智能领域，先后收购了Mobileye、NervanaSystems、Altera等企业。因为FPGA的功耗要远远低于CPU和GPU，美国英特尔希望以其在人工智能领域通过多年积累的CPU芯片技术和业务作为基础，研发CPU和FPGA混合构架的人工智能芯片，抢占日益蓬勃的人工智能芯片市场。现阶段，医疗人工智能设备选用了FPGA、CPU、GPU等处理器进行设备控制、重建和影像后处理，有着非常明显的优势。现在，有很多医疗设备制造商都采用专用处理器，包括DPU等芯片，进行医学影像的后处理工作。具有高速高效计算性能的GPU服务器，能够提供比CPU等计算部件快数倍的计算性能。当临床医生需要实时查看患者资料的时候，实时检查的CT和核磁共振的影像能够快速传递到电脑终端，或者通过平板电脑等传送给医生。通过GPU服务器提供的医学信息，医生可以快速得到患者的相关信息。以GPU为例，现在，越来越多的医疗器械，包括病理影像仪器、内窥镜、CT、超声波诊断设备、MRI等医疗器械都搭载了美国英伟达生产的GPU，分析处理效率得到了极大提升。特别是在一些应用之中，影像工作站和服务器需要分析高密度、高精度CT和核磁共振影像，GPU大大提高了影像工作站和服务器的计算能力。
综上所述，医疗健康领域已经成功使用了CPU、GPU、ASIC等人工智能芯片，使医疗器械更加智能化，极大地提高了医生们的工作效率和工作质量，大大方便了患者的就诊与治疗。
3.数据库建设的挑战
高质量数据获取、标注和更新是医疗人工智能企业的关键能力。我国拥有十多亿人口、上万家医院，每年产生规模巨大的医疗健康数据，其中包括医学影像数据。但是，在如此大量的医疗健康数据中，绝大部分是非结构化数据，标准化、统一化、智能化程度非常低，难以进行综合利用，对政府部门、医院、科研院所、高校等机构来说也并非有效的价值体系。
训练集合的质量和数量是决定人工智能算法的性能（performance）的主要因素之一。其中，训练数据的质量和标注的质量决定着人工智能算法的学习能力，而训练数据的数量决定人工智能算法的泛化能力。在美国英伟达不断推出高性能GPU服务器，提供更大的人工智能计算能力的前提下，高质量和大规模的医学数据就变得更加重要起来。
医疗人工智能的大发展推动健康大数据时代的来临，全球医疗数据呈现爆炸式增长的趋势。医疗健康行业的数据量非常大，建设中的三个“国家医学数据中心”的量级都在EP级别，单个患者的医疗全过程数据也达到TB级别。近年来，我国医院信息化能力大大提升，其使用电子病历的比例也大幅增加了。在医疗人工智能领域，获取和标注高质量的医学影像数据有非常大的难度，具体表现如下。
第一，医学影像数据的前处理和标注的代价巨大。
在医疗人工智能领域，医学影像数据前处理和标注的代价巨大，占据开发成本的绝大部分。
然而，在医疗人工智能算法开源的时代，医学影像数据前处理和标注的质量对医疗人工智能的性能有着举足轻重的影响。按照多中心来源的要求，医学影像数据的来源多种多样，需要进行前处理，以保证医学影像训练数据的有效性。
现有的医学影像数据主要通过人工的方式进行标注，工作量巨大，耗费大量的人力、物力和财力。
第二，医学影像数据获取的代价巨大。
由于现代医学影像技术的飞速发展，医学影像数据的产生技术也变得越来越复杂，客观上加大了医学影像数据的获取和使用难度。同时，因为医学影像数据具有私密性，医疗人工智能数据的拥有方在医学影像数据的保护方面不遗余力，这也加大了医疗人工智能研发单位获取数据的难度。
第三，我国幅员辽阔、人口众多，基层医院和研究型医院的差异巨大。为了在多种多样的场景下获得足够的灵敏度和特异性，医疗人工智能算法和软件的泛化能力面临巨大的挑战。政府、医院等各方面需要携手合作，解决获取医学影像数据代价巨大的问题。从政府层面来讲，由国家卫健委牵头的国家健康医疗大数据中心正在修建之中，预计建成以后数据储量为1000ZB。国家健康医疗大数据中心的构成方式为“一个国家中心，三个国家队”，即该中心包括中国健康医疗大数据股份有限公司、中国健康医疗大数据产业发展集团公司和中国健康医疗大数据科技发展集团公司三个主体。国家健康医疗大数据中心的数据中心包括华东数据中心、华北数据中心、东北数据中心、西南数据中心和各省市级中心，其中各省市级中心的设置地点包括宁波、山东、四川、江西、辽宁、广东、贵州、甘肃、安徽、黑龙江、云南、内蒙古、陕西。国家健康医疗大数据中心的建设将极大推动我国医疗人工智能事业的迅速发展。
4.商业模式与运营的挑战
医疗人工智能企业如何获得利润？这是社会各方面，包括政府部门、投资机构、医疗人工智能企业、医院、医疗人工智能运营机构共同关注的问题。随着医疗人工智能的不断发展，多款医疗人工智能产品已经开发出来，包括基于眼底照片的糖尿病筛查、基于薄层CT的肺部结节筛查等。这些医疗人工智能产品即将获得国家许可，其走向市场可能的商业途径主要包括两个方面：
第一，将医疗人工智能产品出售给大型运营机构，包括政府部门、投资机构、医疗人工智能企业、医院、医疗人工智能运营机构，实现盈利；第二，与第三方运营机构，包括政府部门、投资机构、医疗人工智能企业、各级医院、医疗人工智能运营机构合作，实现盈利。
5.法律与伦理的挑战
（1）成果转化周期长、难度大。
针对医疗人工智能产品的审评与注册问题，2014年2月，国家食品药品监督管理总局开辟快速通道，《创新医疗器械特别审批程序（试行）》（食药监械管〔2014〕13号）提出，对符合以下规定的创新医疗器械设置快速审批通道。
①我国原创发明
具体的准入条件是：主要工作原理/作用机制为国内首创，产品性能或者安全性与同类产品比较有根本性改进，技术上处于国际领先水平，并且具有显著的临床应用价值。
②对创新医疗器械设置拥有发明专利
具体的准入条件是：审批申请人经过其技术创新活动，在中国依法拥有产品核心技术发明专利权，或者依法通过受让取得中国的发明专利权或其使用权，或者核心技术发明专利的申请已由国务院专利行政部门公开。
③产品基本完成
具体的准入条件是：申请人已完成产品的前期研究并具有基本定型产品，研究过程真实和受控，研究数据完整和可溯源。
（2）医疗人工智能数据保护
医疗人工智能软件需要大量使用数据，包括训练数据和患者临床的数据。在美国，医疗人工智能产品需要符合《隐私法案》及HIPAA的规定。但是，我国尚未出台相关法律，医疗人工智能的数据保护工作还没有法律规定可以规范。
关于医疗人工智能软件牵涉的患者临床数据的安全保障规定，可以参考我国颁布的《网络安全法》第四十一条和第六十四条。我国颁布的《网络安全法》第四十一条规定：“网络运营者收集、使用个人信息，应当遵循合法、正当、必要的原则，公开收集、使用规则，明示收集、使用信息的目的、方式和范围，并经被收集者同意。
网络运营者不得收集与其提供的服务无关的个人信息，不得违反法律、行政法规的规定和双方的约定收集、使用个人信息，并应当依照法律、行政法规的规定和与用户的约定，处理其保存的个人信息。我国颁布的《网络安全法》第六十四条规定：“网络运营者、网络产品或者服务的提供者违反本法第二十二条第三款、第四十一条至第四十三条规定，侵害个人信息依法得到保护的权利的，由有关主管部门责令改正，能根据情节单处或者并处警告、没收违法所得、处违法所得一倍以上十倍以下罚款，没有违法所得的，处一百万元以下罚款，对直接负责的主管人员和其他直接责任人员处一万元以上十万元以下罚款；情节严重的，并能责令暂停相关业务、停业整顿、关闭网站、吊销相关业务许可证或者吊销营业执照。”
（3）法律法规滞后，监管无法可依
医疗人工智能产品的注册、使用、监管等法律法规正在制定之中，有待完善。以医疗人工智能产品的注册为例，根据我国《医疗器械注册管理办法》的规定，在中华人民共和国境内销售、使用的医疗器械，应当按照本办法的规定申请注册或者办理备案。因此，医疗人工智能产品需要办理注册和备案。为加强医疗器械产品注册工作的管理、指导和技术审评工作，国家食品药品监督管理总局制定了相应医疗人工智能产品的注册指导原则。国家卫生与健康委员会、国家发改委、工信部等机构也在积极调研、起草和制定医疗人工智能产品的使用、监管等法律法规，确保医疗人工智能造福于民。
（4）医疗人工智能的知识产权判定
在我国现有的法律体系中，医疗人工智能的知识产权还难以清晰判定。
我国的知识产权判定依据的主要法律是《著作权法实施条例》，尚没有对医疗人工智能的知识产权的判定做出详细规定，在实践操作中有相当大的难度。
四、医疗人工智能前景展望与预测分析
尽管目前人工智能在医疗健康领域还没有形成规模化、常态化的应用，而且还受到一些政策、法律和伦理等方面的限制和约束，但不可否认的是，随着人工智能研究的深入，以及医疗资源匮乏弊端的显现，医疗人工智能应用将越来越广泛和深入，其产业也将越来越成熟。
1.人工智能在医疗健康领域的应用会越来越广泛
随着医疗健康信息化的快速发展，医疗机构及各类医疗健康服务型企业会产生大量的医疗健康数据，包括医疗图像、电子病历、健康档案等，人工智能技术能够对这些医疗大数据进行语义分析和数据挖掘，并实现对部分疾病的早期预警或自动诊断。这些应用主要体现在九个细分领域，包括疾病筛查和预测、医院管理、健康管理、医学影像、电子病历/文献分析、虚拟助手、智能化医疗器械、新药发现、基因分析和解读。
疾病筛查和预测：利用人工智能技术，依据历史就医数据以及行为、医学影像、生化检测等多种结果进行综合分析和判断，或者依据某个长期形成的单一数据进行疾病预测。譬如，骨关节炎发展预测，卡内基-梅隆大学通过收集大量人群10年间的软骨MRI影像数据，并利用人工智能技术进行图像数据的学习，从而发现正常人软骨中的异常，可以预测其未来3年患有骨关节炎的概率。基于各类医疗健康大数据的采集和汇聚，类似的疾病预测将会越来越普遍，预测精度也会越来越高。
医院管理：人工智能在医院管理上的应用主要包括优化医疗资源配置、弥补医院管理漏洞和提升患者就医体验。人工智能可以部分甚至完全代替人工在医院管理和服务中的某些角色和工作，譬如，病人管理、智能导医等。
健康管理：
随着各种检测技术（如可穿戴设备、基因检测等）的发展，个人健康数据越来越多、越来越复杂，包括生物数据（如基因等）、生理数据（如血压、脉搏）、环境数据（如每天呼吸的空气）、心理状态数据、社交数据以及就诊数据（即个人的就医、用药数据等）等。这些数据汇聚在一起，利用人工智能技术进行分析，可以对潜在健康风险做出提示，并给出相应的改善策略，最终可以实现对健康的前瞻性管理。
医学影像：
目前人工智能在医学影像领域应用得较为广泛和深入。由于各种成像技术（包括直接成像或间接成像）在医疗健康领域的广泛应用，医疗诊断对影像的依赖程度越来越高。医学影像已经成为医疗诊断的重要依据。庞大的影像数据量为深度学习系统提供了数据基础。利用人工智能技术可以帮助医生对医学影像完成各种定量分析、历史图像的比较或可疑病灶的发现等，从而高效、准确地完成诊断。
电子病历/文献分析：
人工智能主要是利用机器学习和自然语言处理技术自动抓取病历中的临床变量，智能化融汇多源异构的医疗数据，结构化病历、文献生成标准化的数据库，将积压的病历自动批量转化为结构化数据库。目前电子病历/文献分析的应用场景主要有三类：病历结构化处理、多源异构数据挖掘、临床决策支持。
虚拟助手：
虚拟助手是人工智能技术在医疗健康领域最先尝试应用的领域之一，它利用人工智能技术，通过对医疗健康大数据的学习或挖掘，在“理解”用户需求的前提下，按照要求输出相关的医学知识和信息，辅助人们进行健康管理或就医问药。虚拟助手较多地应用于个人问诊、用药咨询、导诊机器人、分诊和慢性病管理、电子病历语音录入等。
智能化医疗器械：
智能化医疗器械是指现代通信与信息技术、计算机网络技术、行业技术、智能控制技术、人工智能技术在医疗器械上的应用。但智能化医疗器械不只是拥有智能功能的普通医疗器械，它可以摆脱对医生操作的依赖，通过机器学习等底层技术实现自我更新迭代。智能化医疗器械能够在两个方面大大提升医疗效率：首先，智能化医疗器械能够帮助医生节省工作量；其次，智能化医疗器械能够提高器械使用的精准度。
新药发现：
新药的开发流程可分为药物发现、临床前开发和临床开发三个部分。而现代药物发现在技术上又可以分为三个阶段：靶点的发现和确证、先导物的发现、先导物的优化。人工智能在新药研发上的应用主要有两个阶段：一个是新药发现阶段，另一个是临床试验阶段。共有7种不同应用方向。
基因分析和解读：
基因检测技术不断发展和完善，检测价格不断下降，基因检测趋向大众化发展。随着数据的不断积累，分析能力和大数据库是遗传解读和咨询的关键，信息的解读与整合成为基因相关企业的核心竞争力。人工智能便依靠其强大的数据处理能力和学习能力给基因分析和解读带来了人类不曾拥有的能力。基因检测由专业检测机构完成，结果分析交给人工智能，临床医师只需要最终结论，用这个结论去指导治疗并进行精准的健康管理。
2.医疗AI产品将正式被批准成为医疗器械
在美国，FDA（食品药品监督管理局）于2018年4月批准了世界上第一款人工智能医疗设备IDx-DR，该设备可以在没有医生帮助的情况下诊断疾病，其内置摄像头用于拍摄患者眼睛的照片，再通过算法评估该照片，确定患者是否有糖尿病视网膜病变的迹象；5月24日，Imagen公司的OsteoDetect软件也获FDA批准，该软件利用机器学习技术，分析二维X光图像，通过识别患者手腕前后和侧面X光图像判断该患者是否骨折。
11月19日，国内的乐普医疗自主研发的心电图人工智能自动分析诊断系统“AI-ECGPlatform”获得FDA注册批准，成为国内首项获得美国FDA批准的人工智能心电产品。截至目前，FDA已经批准了12个泛AI类医疗产品进入临床应用。
由于AI医疗器械初期需要大量高质量、已标注的医学数据进行模型训练和学习，而目前一方面高质量的数据因为各种原因难以获得，另一方面一些算法模型还不够准确，导致很多AI产品在实际应用中会产生误诊、错诊、漏诊等问题。
医疗健康行业事关人民身体健康，来不得半点马虎。著名的IBMWatson人工智能产品就因为错诊，开出不安全药物而不断受到质疑，美国得克萨斯大学MD安德森癌症中心这样的顶级医疗机构在投入6700万美元之后还是选择放弃该项目。
但让AI产品成为医疗器械，并让其为患者带来真正的福音的努力并没有停止。国家食品药品监督管理总局（CFDA）为了更好地规范国内发展迅速的智能辅助诊断产品，2017年9月发布了新版《医疗器械分类目录》，2018年8月1日起开始施行。该新版目录新增了与人工智能辅助诊断相对应的类别，具体为对医学影像与病理图像的分析与处理。按照最新的分类规定，若诊断软件通过算法提供诊断建议，仅有辅助诊断功能，不直接给出诊断结论，则可申报二类医疗器械，如果对病变部位进行自动识别，并提供明确诊断提示，则按照第三类医疗器械管理。2018年11月19日，国家药品监督管理局医疗器械技术审评中心发出通知，公开向境内外征集生产人工智能医疗器械产品的企业信息，这表明其开始为我国AI医疗器械审批做准备。预计最晚到2020年，我国将会出现首批基于人工智能的医疗器械产品并应用于医疗诊断服务中。
如果各医疗人工智能公司要走医院采购这条路，那么获得国家药监局认证是必经之路，如果要认证三类医疗器械，那么大量真实的临床应用数据将会为公司的申请提供巨大的帮助。为此，目前医疗器械人工智能产品第三方评测机构已经开始开展工作，包括构建智能产品评测数据库，建立智能产品评测标准和明确评测步骤等，以便为企业提供真实可靠的评测环境。
3.医疗智能化应用的监管将越来越规范和严格
由于医疗数据涉及患者本人的隐私，在道德伦理和法律层面上都属于非常敏感的问题。另外和其他领域的AI产品对比而言，医疗智能化产品及服务，尤其是诊断和治疗方面的产品和服务，对人类医生专家的决策势必会产生一定的影响，一旦出现判断失误，患者的生命健康会面临严重的威胁。
在美国，医疗器械根据其风险程度被划分为三类，其中第Ⅲ类为具有高风险的医疗器械，具体指拟用于支持或维持人类生命或预防人类健康受损，或可能导致潜在的不合理疾病或伤害风险的医疗器械。根据美国联邦法律，第Ⅲ类设备除需进行一般监管外，还需进行上市前审批（PMA）。但同时FDA也鼓励企业医疗AI产品进行更新迭代，为此它有着全新的加速审批通道。FDA局长ScottGottlieb在华盛顿举行的2018HealthDatapalooza大会上表示，在保护患者的前提下，FDA正在扩大数字医疗工具获批的机会，并积极开发新的监管框架，用新的方法来审查人工智能。
可见FDA在人工智能医疗器械方面有较多的审核方式，而国内监管部门对于利用人工智能技术提供诊断功能的审核则更为严格，《医疗器械分类目录》对医疗AI产品的界定是：若诊断软件通过其算法提供诊断建议，仅有辅助诊断功能不直接给出诊断结论，则按照二类医疗器械申报认证；如果对病变部位进行自动识别并提供明确诊断提示，则必须按照第三类医疗器械进行临床试验认证管理。此外，国家卫生和计划生育委员会于2017年2月发布的《人工智能辅助诊断技术管理规范（2017年版）》和《人工智能辅助治疗技术管理体系规范（2017年版）》还对医疗机构及其医务人员应用AI辅助诊断和治疗提出了极具操作性的要求，具体包括医疗机构的硬件设施、医务人员的资质要求以及技术管理和培训管理制度等。
未来全球仍然需要推动医疗领域相关制度的制定和完善，各个国家和地区根据自身的法律法规和道德环境，加速制定关于人工智能产品的一系列制度标准，包括产品的开发、生产、评估和定价等各个方面。作为监管部门，当下的重点是制定一套科学、合理、明确的产品分类分级标准。目前，世界各主要国家几乎都将AI辅助诊断和治疗产品作为医疗器械加以监管，AI辅助诊断和治疗产品如需上市，必须根据医疗器械的等级分类标准获得监管部门相应的许可和认证。对于高风险的AI产品，提高审核标准、严格把关，最大限度降低出现医疗事故的风险；对于低风险的AI产品，可以采用鼓励和引导的监管方式，减少认证的周期，从而加速其产品和技术的迭代和发展。此外，监管部门对相关的医疗事故责任主体、各方责任权利范围要仔细地划分，这样才能保证医疗AI产品快速稳定地被社会认可。
4.对人工智能理论和技术的研究将更加深入
人工智能技术发展迅猛，在很多研究项目上取得了一定的成果。然而，医疗卫生行业不同于其他行业，它对于实验结果的可信度、可解释性的要求还是很高的。例如，对医学影像进行基于深度学习的数据分析，尽管这类技术能够取得很高的准确率，但是模型本身属于“黑箱技术”导致其结果缺乏判断依据，人类医生和患者往往很难相信实验结果的可靠性，最后产品难以投入实际使用。另外，很多研究内容都是针对单病种或者少量病种的分类、检测，多病种任务的人工智能分析还需要算法的进一步提升，在保证模型实验精度的基础上提高其本身的泛化能力。就医疗领域的硬件设备而言，发展中国家与发达国家相比缺乏核心研发技术，创新能力十分薄弱，在人工智能的部署方面存在较大难度。
由此，针对未来的医疗人工智能，还需要进行理论技术上的推动和创新。人工智能不仅是计算机科学的前沿，还是数学、软件工程、脑神经科学等学科的新方向，其在医学领域的未来发展要计算机软硬件专家、医学专家和统计学家等的共同努力，需要进行跨学科、跨领域的通力合作。一方面，使用更为成熟的人工智能理论来提升各个系统模块的思维逻辑能力，让专家系统在尽可能复杂的环境下准确而又迅速地提供诊疗方案；另一方面，继续加强人工智能技术的实践，使其具备更强的学习、自组织、泛化及训练能力，加快从“弱人工智能”到“强人工智能”的转化。例如，在深度学习中的可解释性问题，目前已经有学者试图通过注意力机制和可视化方法对这类技术进行分析。当然，未来仍然需要科研人员进一步探究这些“黑箱技术”内部的实现原理和技术细节。返回搜狐，查看更多